Este archivo es un workflow completo en LangGraph que construye un agente planificador-ejecutor especializado en taoísmo, I Ching y Tao Te Ching, con:

• planificación inicial,
• ejecución paso a paso,
• replanteamiento,
• logging a archivo,
• persistencia de hipótesis,
• y un sistema de restricciones según el grado de certeza.

Es un sistema complejo, así que lo desgloso por bloques.

🧩 1. Carga de modelos

python

deepseek_model_loaded = get_model("Deepseek")
gpt4o_model_loaded = get_model("gpt-4o")

🧩 2. Estructuras Pydantic

Se definen tres clases:

✔ Plan

Representa una lista de pasos.

✔ Response

Representa la respuesta final al usuario.

✔ Act

Puede contener o un Plan o una Response.

Esto es clave para el replanner.

🧩 3. Estado del workflow (PlanExecute)

python

class PlanExecute(TypedDict):
    input: str
    plan: List[str]
    past_steps: List[Tuple]
    response: str
    log_filename: str
    last_node_output: str
    hypothesis_certainty: str
    main_hypothesis: List[str]

Este diccionario mantiene:

• la pregunta del usuario,
• el plan actual,
• los pasos ya ejecutados,
• la hipótesis principal,
• el grado de certeza,
• el archivo de log,
• y la última salida generada.

Es el estado global que fluye por el grafo.

🧩 4. Mensaje del sistema dinámico

La función más importante:

python

def generate_agent_system_message(state: PlanExecute) -> str:

Construye un prompt del sistema que:

• define al agente como experto en taoísmo, I Ching y Tao Te Ching,
• es bilingüe (ES/EN),
• obliga a responder en el idioma del usuario,
• exige un formato final con:

Codi

Grado de Certeza:
Hipótesis Principal:
Degree of Certainty:
Main Hypothesis:

• si la certeza es “alta”, prohíbe generar nuevas hipótesis.

Este es el corazón del comportamiento del agente.

🧩 5. Nodos del workflow

🔹 6.1. plan_step

Genera un plan inicial:

• Usa el modelo GPT‑4o (si existiera).
• Produce una lista de pasos.
• Guarda el plan en el estado.
• Registra la salida en el log.

🔹 6.2. execute_step

Ejecuta el primer paso del plan:

• Llama al agente con el paso actual.
• Extrae del texto:
  • el grado de certeza,
  • la hipótesis principal.
• Actualiza el estado.
• Elimina el paso ejecutado del plan.

Este nodo también:

• valida hipótesis,
• evita sobrescribir certezas más altas,
• registra todo en el log.

🔹 6.3. replan_step

Decide si:

• continuar ejecutando pasos,
• generar un nuevo plan,
• o terminar con una respuesta final.

Si la certeza es “alta”, obliga a terminar.

🔹 6.4. log_to_file

Guarda cada salida en un archivo Markdown:

• crea un archivo nuevo al inicio,
• añade cada nodo ejecutado,
• genera una traza completa del workflow.

🧩 6. Condición de finalización

python

def should_end(state):

Termina cuando:

• hay una respuesta final,
• o el plan está vacío.

🧩 7. Construcción del grafo

python

workflow = StateGraph(PlanExecute)

Se añaden nodos y edges:

Codi

START → planner → log_plan → agent → log_exec → replan → log_replan → (agent o END)

Es un ciclo:

1. planificar
2. ejecutar
3. replantear
4. repetir

hasta que haya respuesta final.

🧩 8. Ejecución asíncrona

python

async def run_planner_agent(question):

• Inicializa el estado.
• Ejecuta el grafo paso a paso.
• Captura la respuesta final.
• Imprime el resultado.

🧩 9. Ejemplo de ejecución

python

RESEARCH_QUESTION = "Que es la secuencia del Rey Wen? ..."
asyncio.run(run_planner_agent(...))

🎯 En resumen

Este código implementa:

✔ Un agente experto en taoísmo

✔ Con planificación automática

✔ Ejecución paso a paso

✔ Replanificación inteligente

✔ Persistencia de hipótesis

✔ Restricciones según certeza

✔ Logging completo en Markdown

✔ Un workflow LangGraph totalmente funcional

Es un motor de investigación guiada, no un simple chatbot.

🌿 AGENTES DEL WORKFLOW (explicados uno por uno)

1. START

No es un agente, sino el punto de entrada del workflow. Aquí se inicializa el estado:

• input: pregunta del usuario
• hypothesis_certainty = "baja"
• main_hypothesis = ["Aún no establecida"]
• past_steps = []
• plan = []
• log_filename = ""

Después pasa el control al planner.

2. PLANNER — “planner_step()”

🧠 Rol: Agente planificador

Este agente:

• Lee la pregunta del usuario.
• Recibe un system prompt taoísta (especialista en Tao Te Ching, I Ching, combinatoria, exégesis clásica).
• Su única misión es generar un plan estructurado de investigación.

📤 Produce:

• plan = [paso1, paso2, paso3...]
• last_node_output con el plan formateado.

📥 Consume:

• input del usuario.
• Estado actual (hipótesis, certeza, etc.).

3. LOGPLAN — “log_plan()”

🗂 Rol: Agente registrador

No piensa ni razona. Su función es guardar en un archivo Markdown:

• la tarea inicial,
• el plan generado por el planner.

📤 Produce:

• log_filename (si no existía)
• last_node_output = "" (se vacía tras escribir)

4. AGENT — “execute_step()”

🧠 Rol: Agente ejecutor / investigador

Este es el agente principal del sistema.

Su misión:

1. Tomar el primer paso del plan.
2. Ejecutarlo usando el LLM taoísta.
3. Analizar el resultado.
4. Extraer:
   • Grado de Certeza (alta / media / baja)
   • Hipótesis Principal (una o varias líneas)
5. Actualizar el estado global.

📤 Produce:

• past_steps += [(tarea, resultado)]
• main_hypothesis actualizada
• hypothesis_certainty actualizada
• plan sin el primer paso
• last_node_output con el análisis completo

📥 Consume:

• plan
• main_hypothesis
• hypothesis_certainty

Este agente es el que realmente piensa.

5. LOGEXEC — “log_exec()”

🗂 Rol: Agente registrador

Guarda en el archivo Markdown:

• el resultado de la ejecución del paso,
• la hipótesis extraída,
• el grado de certeza.

No modifica el plan ni la hipótesis.

6. REPLAN — “replan_step()”

🧠 Rol: Agente supervisor / estratega

Este agente decide:

• si el plan debe continuar,
• si debe generarse un nuevo plan,
• o si ya se puede dar una respuesta final.

Su lógica depende del estado:

🔹 Si hypothesis_certainty == "alta":

• prohibido generar nuevos planes
• debe devolver una Response final

🔹 Si el plan está incompleto:

• puede generar un nuevo plan (Act → Plan)

🔹 Si la respuesta ya está madura:

• devuelve Response final

📤 Produce:

• Response o Plan
• last_node_output

7. LOGREPLAN — “log_replan()”

🗂 Rol: Agente registrador

Guarda en el archivo:

• la decisión del replanner,
• el nuevo plan o la respuesta final.

8. END

El workflow termina cuando:

• hay una response final, o
• el plan está vacío.

🌿 RESUMEN DE LOS AGENTES

Nodo	Tipo de agente	Función
START	—	Inicializa el estado
PLANNER	Planificador	Genera un plan de investigación
LOGPLAN	Registrador	Guarda el plan en Markdown
AGENT	Ejecutor / Analista	Ejecuta pasos, extrae hipótesis, actualiza certeza
LOGEXEC	Registrador	Guarda la ejecución del paso
REPLAN	Supervisor / Estratega	Decide continuar, replanificar o terminar
LOGREPLAN	Registrador	Guarda la decisión del replanner
END	—	Finaliza el workflow